آموزش کیمیای الگوریتم: رمزگشایی از اسرار یادگیری ماشین - آخرین آپدیت

دانلود Algorithm Alchemy: Unlocking the Secrets of Machine Learning

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: این دوره شامل مربی هوشمند کورسرا (Coursera Coach) است! روشی هوشمندانه برای یادگیری از طریق گفتگوهای تعاملی و آنی که به شما کمک می‌کند دانش خود را بسنجید، فرضیات را به چالش بکشید و همزمان با پیشروی در دوره، درک عمیق‌تری از مطالب کسب کنید. در این دوره، شما اسرار الگوریتم‌های یادگیری ماشین (Machine Learning) را کشف خواهید کرد و یاد می‌گیرید که چگونه آن‌ها را در زبان پایتون برای حل مسائل واقعی داده‌ها پیاده‌سازی کنید. شما هر دو دسته الگوریتم‌های یادگیری نظارت شده (Supervised) و نظارت نشده (Unsupervised) را بررسی کرده و تجربه عملی در تکنیک‌هایی مانند رگرسیون خطی، درخت تصمیم و مدل‌های یادگیری عمیق کسب خواهید کرد. با هر درس، مهارت‌های خود را برای به‌کارگیری مؤثر روش‌های یادگیری ماشین، از مدل‌های پایه تا تکنیک‌های پیشرفته، ارتقا می‌دهید. سفر ما با مفاهیم بنیادی یادگیری ماشین آغاز شده و با پیاده‌سازی عملی الگوریتم‌های مختلف ادامه می‌یابد. شما روش‌های نظارت شده مانند رگرسیون خطی، KNN و ماشین‌های بردار پشتیبان (SVM) و همچنین تکنیک‌های یادگیری نظارت نشده مانند خوشه‌بندی K-Means، تحلیل مؤلفه‌های اصلی (PCA) و اتوانکودرها را فرا خواهید گرفت. هر بخش شامل تجربیات کدنویسی عملی است تا اعتماد به نفس لازم برای به‌کارگیری این متدها در سناریوهای واقعی را به دست آورید. این دوره همچنین به مباحث پیشرفته‌ای نظیر یادگیری تقویت عمیق (Deep Reinforcement Learning)، شبکه‌های عصبی پیچشی (CNN)، شبکه‌های عصبی بازگشتی (RNN) و مدل‌های ترنسفورمر (Transformer) می‌پردازد. این تکنیک‌های پیشرو به شما کمک می‌کنند تا مدل‌های پیش‌بینی قدرتمند بسازید، تشخیص ناهنجاری‌ها را انجام دهید و وظایف پیچیده را در حوزه‌های مختلف حل کنید. این دوره برای افرادی که به دنبال تعمیق دانش خود در الگوریتم‌های یادگیری ماشین و نحوه پیاده‌سازی آن‌ها با پایتون هستند، ایده‌آل است. این محتوا برای دانشمندان داده آینده، مهندسان یادگیری ماشین و هر کسی که علاقه شدیدی به هوش مصنوعی (AI) دارد، مناسب است. داشتن دانش قبلی در برنامه‌نویسی پایتون توصیه می‌شود و درک پایه از آمار به یادگیری مؤثرتر مفاهیم کمک خواهد کرد. سطح این دوره متوسط است و برای یادگیرندگانی طراحی شده که آماده‌اند به اعماق دنیای یادگیری ماشین نفوذ کنند.

سرفصل ها و درس ها

مقدمه‌ای بر الگوریتم‌های یادگیری ماشین و پیاده‌سازی در پایتون Introduction to Machine Learning Algorithms and Implementation in Python

  • مقدمه‌ای بر الگوریتم‌های یادگیری ماشین و پیاده‌سازی در پایتون Introduction to Machine Learning Algorithms and Implementation in Python

الگوریتم‌های یادگیری نظارت شده Supervised Learning Algorithms

  • پیاده‌سازی رگرسیون خطی در پایتون Linear Regression Implementation in Python

  • پیاده‌سازی رگرسیون Ridge و Lasso در پایتون Ridge and Lasso Regression Implementation in Python

  • پیاده‌سازی رگرسیون چندجمله‌ای در پایتون Polynomial Regression Implementation in Python

  • پیاده‌سازی رگرسیون لجستیک در پایتون Logistic Regression Implementation in Python

  • پیاده‌سازی K-نزدیک‌ترین همسایه (KNN) در پایتون K-Nearest Neighbors (KNN) Implementation in Python

  • پیاده‌سازی ماشین‌های بردار پشتیبان (SVM) در پایتون Support Vector Machines (SVM) Implementation in Python

  • پیاده‌سازی درخت تصمیم در پایتون Decision Trees Implementation in Python

  • پیاده‌سازی جنگل تصادفی (Random Forests) در پایتون Random Forests Implementation in Python

  • پیاده‌سازی Gradient Boosting در پایتون Gradient Boosting Implementation in Python

  • پیاده‌سازی Naive Bayes در پایتون Naive Bayes Implementation in Python

الگوریتم‌های یادگیری نظارت نشده Unsupervised Learning Algorithms

  • پیاده‌سازی خوشه‌بندی K-Means در پایتون K-Means Clustering Implementation in Python

  • پیاده‌سازی خوشه‌بندی سلسله‌مراتبی در پایتون Hierarchical Clustering Implementation in Python

  • پیاده‌سازی DBSCAN (خوشه‌بندی فضایی مبتنی بر چگالی) DBSCAN (Density-Based Spatial Clustering of Applications with Noise)

  • پیاده‌سازی مدل‌های مخلوط گاوسی (GMM) در پایتون Gaussian Mixture Models (GMM) Implementation in Python

  • پیاده‌سازی تحلیل مؤلفه‌های اصلی (PCA) در پایتون Principal Component Analysis (PCA) Implementation in Python

  • پیاده‌سازی t-SNE در پایتون t-Distributed Stochastic Neighbor Embedding (t-SNE) Implementation in Python

  • پیاده‌سازی اتوانکودرها در پایتون Autoencoders Implementation in Python

سایر دسته‌های تخصصی Other Specialized Categories

  • پیاده‌سازی خود-آموزی (Self Training) در پایتون Self-Training Implementation in Python

  • پیاده‌سازی Q-Learning در پایتون Q-Learning Implementation in Python

  • پیاده‌سازی شبکه‌های Q عمیق (DQN) در پایتون Deep Q-Networks (DQN) Implementation in Python

  • پیاده‌سازی متدهای Policy Gradient در پایتون Policy Gradient Methods Implementation in Python

  • پیاده‌سازی One-Class SVM در پایتون One-Class SVM Implementation in Python

  • پیاده‌سازی Isolation Forest در پایتون Isolation Forest Implementation in Python

  • پیاده‌سازی شبکه‌های عصبی پیچشی (CNNs) در پایتون Convolutional Neural Networks (CNNs) Implementation in Python

  • پیاده‌سازی شبکه‌های عصبی بازگشتی (RNNs) در پایتون Recurrent Neural Networks (RNNs) Implementation in Python

  • پیاده‌سازی حافظه طولانی کوتاه‌مدت (LSTM) در پایتون Long Short-Term Memory (LSTM) Implementation in Python

  • پیاده‌سازی ترنسفورمرها در پایتون Transformers Implementation in Python

نمایش نظرات

آموزش کیمیای الگوریتم: رمزگشایی از اسرار یادگیری ماشین
جزییات دوره
5h 9m
28
(آخرین آپدیت)
70
- از 5
دارد
دارد
دارد
Chris Croft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده